压缩感知(Compressive Sensing, CS)作为现代信号处理的最新进展,在认知无线电等领域中的应用潜力巨大,本文选题来源于国家自然科学基金等项目,具有重要的理论意义及广阔的应用前景。本文对压缩感知技术的基本原理及其在认知无线电关键技术频谱感知中的应用进行了深入研究,主要完成了以下具有创新性的研究成果：针对频谱感知在时变信道中检测概率恶化的情况,本文提出了一种自适应静默期管理机制,即根据上一感知周期的感知结果和数据通信获知的ACK反馈等信息,自适应调整本感知周期的感知参数以适应信道参数变化,并通过马尔科夫分析方法,对提出的自适应静默期管理机制的检测概率和平均采样数进行了理论分析。仿真结果表明,在时变信道的环境下,本文机制的平均检测概率要优于传统固定时长的静默期管理机制。针对多信道频谱感知中,认知用户条件不足以检测整个信道状态的问题,本文提出了一种应用于宽带认知无线网络的协作式宽带频谱感知稀疏模型,和一种基于LDPC码的协作式频谱感知策略。当认知终端需要检测的子信道个数远超过其检测能力时,即可采用该稀疏模型,每个认知终端采用压缩感知的方式对极少的信道进行随机测量,在融合中心将认知终端的随机测量结果合并为一个完整的压缩感知方程从而对信道状态序列进行重构。仿真结果表明,在不同的子信道占用个数情况下,适当调整LDPC测量矩阵的参数,都可以通过较少的子信道测量个数达到较优的系统检测概率。为降低宽带频谱感知的采样率,提出了一种基于分布式压缩感知算法的频谱感知机制。通过利用授权用户信号的稀疏性,在超帧的每个子帧内进行采用分布式压缩感知的采样；在超帧结束时,采用DCS-SOMP算法对每个静默期的采样数据进行联合重构,再通过对重构数据的合并对信道状态作出合理判决。仿真结果表明,与传统压缩感知算法相比,本文算法可用更少的随机测量数达到预期的系统检测概率。针对循环平稳特征检测算法复杂度高、耗费时间长的缺点,提出了一种基于压缩感知的循环自相关特征检测算法(CS-Feature Detection)。通过利用授权用户循环自相关谱的稀疏特征对其进行压缩感知；并采用归一化循环自相关统计量作为检验量进行判决,避免了对授权用户先验信息的需求,再用正交匹配追踪(Orthogonal Matching Pursuit, OMP)重构算法,即可以较高概率重构信号循环自相关谱。仿真结果表明,在显著缩短检测时间的情况下,依然可获得较高检测概率。论文最后对全文进行了总结,并对压缩感知技术与认知无线电系统结合的发展方向及今后的工作进行了展望。